En développant une approche axée sur les données, l'analyse de la qualité de l'air intérieur recueillie lors de 1007 sessions de réunion, le projet cherche à prédire et à prévenir la mauvaise qualité de l'air intérieur, tout en gardant les utilisatrices et utilisateurs engagés dans l'interaction avec le bâtiment.
Deux méthodes de prévision de la qualité de l'air intérieur sont développées :
1) les séries temporelles qui fonctionnent sur les valeurs du niveau de concentration en CO2 enregistrées dans le même espace physique pendant une courte période. Cette méthode permet de prévoir avec une précision de 92 % le niveau de CO2 en 5 minutes et avec une précision de 86 % la valeur en 20 minutes.
2) le regroupement hiérarchique est utilisé pour obtenir des modèles d'évaluation du CO2 au cours d'une session de réunion et pour corréler le profil de ces modèles avec divers paramètres environnementaux (intérieurs et extérieurs), la configuration de la salle de réunion, le nombre d'occupants, etc.
Human-IST a proposé un système qui utilise une combinaison de ces deux méthodes pour prévoir les situations de mauvaise qualité de l'air dans les salles de réunion et les prévenir en interaction avec les utilisateurs. Afin d'aborder les facteurs sociaux du contexte de la réunion et le coût de la notification/interruption, deux enquêtes ont été menées en ligne, dont les résultats guident la conception de l'interaction et les modalités de communication du système que nous proposons.
Les détails de ce projet, y compris le processus de collecte des données, l'analyse et la proposition de conception sont acceptés pour être publiés dans ACM CHI Conference on Human Factors in Computing Systems, CHI 2021.